全部动态

这篇论文解决了深度神经网络中多项式激活函数的可识别性问题，对理解网络参数对称性有重要意义。

ContraTalk揭示了语音理解中的文本偏差问题，Audio Twin框架为多模态推理提供了新思路。

Calibrated Enough论文揭示LLM智能体如何被虚假证据误导，以及如何通过微调修复这一缺陷。

研究人员提出SARA框架，解决了LLM智能体中工具输出被滥用的安全问题，在四个主要评估设置中表现优异。

MIT学者发现LLM智能体安全漏洞，提出LoopHarness解决跨迭代攻击问题，安全性能显著提升。

这篇论文提出了LAAF问责框架，帮你理清大模型应用中的责任归属问题，特别适合医疗、金融等高风险领域从业者。

Facebook团队开源了大型社交图上的GNN推荐系统，用多哈希和时间采样技术，在保持效果的同时大幅降低计算成本。

LAMA把广告直接嵌入AI生成过程，实验显示它既赚更多钱又不影响用户体验。

Poor Lab用5090显卡训练出接近Qwen2-1.5B的模型，成本不到7千，开源食谱让普通人也能训练大模型。

这篇论文对比了ES和GRPO两种训练方法，发现ES能带来更广泛的推理覆盖，还提出了结合两者优势的GRPO-ES顺序训练策略。

这篇论文揭示了块状生成器中信息下限与模型差距的关系，解释了为什么当前生成器仍有很大改进空间。

强化学习新论文，分析QTD算法的有限样本性能，揭示了波动与样本复杂度的关键区别。

QuantumBoostNet用10量子比特电路提升心脏超声识别准确率，比现有模型表现更好。

研究人员提出 MM-Spectrum 框架，解决了多光谱信号异质性问题，在分子结构解析任务中表现优异。

斯坦福团队推出LEON网络，用算子结构改进机器人预测模型，比传统Transformer更关注时间演化。

这篇论文解决了算子学习中边界条件处理的难题，适用于任意网格数据和一般几何形状。

OpenAI新研究提出Circuit Condensation，能将模型行为压缩316倍，让AI内部机制更透明可解释。

MetaNet让MoE模型根据任务难度动态分配专家，大幅减少计算量同时保持准确率。

论文揭示了MoE模型中三种推理优化为何实际效果不佳，对模型部署有重要参考价值。

MIT团队推出GRAIN框架，用单智能体解决图推理中的标识符和任务表述变化问题，比多智能体方案更快更准。

WikiSkill让AI智能体把经验变成可复用的知识库，小模型靠技能能打败大模型，技能还能跨模型使用。

SWE-Prime用10%数据训练就能超越全数据效果，解决了软件工程领域模型训练数据质量低的问题。

MCR-Bench揭示了当前LLM在真实代码审查中的不足，特别是跨轮次时间对齐和长程记忆问题。

RedEvoAgent能自动进化攻击技能，比固定攻击方法更有效，还能跨不同AI系统迁移使用。

HALO模型用更少参数实现更高准确率，解决IMU传感异构性问题，适合开放集人体活动识别。

这篇论文帮你搞懂RL-for-LLM的并行训练策略，让DeepSeek-R1、o3这些推理模型训练不再那么烧钱。

DeepSeek团队提出千图假说，解决大型代码库推理问题，无需预构建关系图就能达到95.6%成功率。